Un nuovo approccio di utilizzo della trasformata wavelet ridondante per l'analisi dei dati fMRI

La misura dell’attività cerebrale in modo non invasivo è un aspetto essenziale della moderna neuroscienza.
Nonostante tecniche come l’elettroencelografia (EEG) e magnetoencelografia (MEG) abbiano recentemente guadagnato interesse le tecniche che rimangono predominanti per misurare l’attività cerebrale sono la tomografia a emissione di positroni (PET) e la risonanza magnetica funzionale (fMRI).
La tecnica PET presenta il grande vantaggio, rispetto alla fMRI, di misurare in maniera diretta l’attività cerebrale, presenta però l’inconveniente di essere costosa e mancare di risoluzione temporale. Se quindi per ragioni etiche, tecnologiche ed economiche la tecnica fMRI è preferibile alla tecnica PET è da sottolineare lo scarso rapporto segnale-rumore (SNR) che la contraddistingue che rende necessaria l’analisi statistica dei dati.
Statistical Parametric Mapping (SPM) è un pacchetto software libero, sviluppato in linguaggio Matlab, che contiene gli algoritmi necessari per permettere di analizzare propriamente i dati fMRI. Recentemente, Van de Ville et al. gruppo di ricerca del laboratorio nel quale ho svolto questa tesi ha proposto un nuovo approccio detto “misto” con il quale si vuole aumentare l’SNR dei dati mediante l’applicazione di una soglia nel dominio wavelet a cui segue il test statistico nel dominio spaziale per individuare le aree della corteccia cerebrale che risultano attivate. Il maggiore svantaggio però legato all’utilizzo della trasformata wavelet discreta (DWT) è la sua shift-variance.
Lo scopo della mia tesi di laurea è quello di estendere l’approccio misto presentato da al caso shift-invariant mediante l’analisi dei dati sotto M differenti traslazioni. Per poter raggiungere questo scopo prima di proporre l’approccio totalmente shift-invariant, caratterizzato nel piano XY da quattro traslazioni, è stato proposto un approccio caratterizzato solo da due traslazioni.